一、什么是 LangChain

LangChain 是 Python / TypeScript 开源大模型应用开发框架，2022年推出，核心作用：把大模型（LLM）和本地文件、数据库、API、工具串联，落地企业级AI应用。

解决的核心痛点

1. 原生调用OpenAI/通义千问/DeepSeek等模型API代码重复、切换模型要大量改代码；
2. 大模型没有外部知识库，容易幻觉，难以读取PDF/Excel/业务数据库；
3. 无法自主调用计算器、接口、搜索引擎等工具；
4. 多轮对话无记忆、复杂业务流程难以编排。

产品生态四大模块

1. langchain-core：核心抽象、LCEL链式语法、标准接口（所有组件底层基础）
2. langchain：Chain、RAG、Agent基础封装
3. LangGraph：复杂智能体编排（多步骤循环、人机介入、持久会话，替代旧版Agent）
4. LangSmith：可视化调试、日志监控、提示词评测（生产环境必备）
   配套集成包：langchain-openai、langchain-ollama、langchain-community（向量库、文档加载器）

二、六大核心组件（必学）

1. Models 模型层

统一封装所有大模型，一套代码无缝切换：

• LLM：纯文本输入输出（老一代文本模型）
• ChatModel：对话格式（HumanMessage/AIMessage，GPT/通义/文心一言主流）
  支持：云端API(OpenAI/通义千问)、本地私有化(Ollama/Llama)、开源模型

# 最简调用示例
from langchain_openai import ChatOpenAI
model = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
res = model.invoke("什么是RAG")
print(res.content)

2. Prompts 提示词模板

标准化管理提示词，支持变量填充、少样本示例、系统角色设定，避免硬编码prompt：

from langchain_core.prompts import PromptTemplate
prompt = PromptTemplate.from_template("用{lang}简单解释{topic}")
print(prompt.format(lang="中文", topic="LangChain"))

3. Chains 链式流水线（LCEL | 管道语法）

LangChain核心设计，前一步输出=后一步输入，用 | 串联组件，替代复杂回调。
完整问答链：提示词模板 | 大模型 | 输出解析器

from langchain_core.output_parsers import StrOutputParser
# 构建链
chain = prompt | model | StrOutputParser()
# 执行
result = chain.invoke({"lang":"中文","topic":"RAG"})
print(result)

4. Memory 对话记忆

存储多轮聊天上下文，实现连续对话，支持内存/Redis持久化：

• ConversationBufferMemory：完整存储所有对话
• SummaryMemory：长对话自动压缩摘要，节约token

5. RAG 检索增强（Retrieval）

解决大模型幻觉、私有数据问答，企业最常用场景，完整流程：

1. DocumentLoader：读取PDF/TXT/Word/数据库文档
2. TextSplitter：文本分块（避免超长上下文）
3. Embedding：文本转向量
4. VectorStore（向量库）：Chroma/Pinecone/FAISS存储向量
5. Retriever：用户提问→相似度检索匹配相关文档
6. 把检索到的文档上下文塞进Prompt，再交给LLM回答

# 极简RAG骨架
loader = TextLoader("产品手册.txt")
splitter = RecursiveCharacterTextSplitter(chunk_size=800)
docs = splitter.split_documents(loader.load())
vector_store = Chroma.from_documents(docs, OpenAIEmbeddings())
retriever = vector_store.as_retriever()
# RAG链：检索文档+提问一起传入prompt
rag_chain = {"context": retriever, "question": RunnablePassthrough()} | prompt | model

6. Agents & Tools 智能体+工具

让大模型自主判断什么时候调用外部工具（计算器、搜索引擎、业务API、数据库查询），自主规划步骤。

• Tool：自定义函数/第三方工具封装，附带描述让模型理解用途
• LangGraph：新一代Agent编排框架，支持循环、分支、人工审核，替代老旧AgentExecutor

# 自定义工具示例
from langchain.tools import tool
@tool
def calc(a: float, b: float) -> float:
    """计算两个数字相乘，参数a、b是数字"""
    return a * b
# 模型绑定工具，可自主调用
model_with_tool = model.bind_tools([calc])

三、两大核心应用场景

1. RAG 私有知识库问答（最主流）

企业文档、产品手册、内部数据库问答，精准不胡说，不需要微调模型。
流程：文档入库向量库 → 用户提问检索相关片段 → 片段+问题交给大模型生成答案。

2. Agent 自动化智能助手

能自主调用工具完成复杂任务：数据分析、联网搜索、工单处理、多步骤业务流程，复杂场景用LangGraph做状态编排。

四、安装基础依赖

# 基础包 + OpenAI集成
pip install -U langchain langchain-openai
# 本地向量库Chroma
pip install chromadb
# 本地大模型Ollama支持
pip install langchain-ollama

五、LangChain 新旧版本重要区别

1. v1.0+ 抛弃旧链式写法，统一 LCEL | 管道；
2. 废弃老Agent，推荐 LangGraph 做智能体；
3. 模型、向量库拆分独立包，轻量化，按需安装；
4. 所有组件统一 invoke() 执行方法，不再混用run/call；
5. LangSmith原生接入，一键调试每一步输入输出。

六、LangChain vs LangGraph

• LangChain：快速开发简单线性流程、RAG、单轮工具调用，开箱即用；
• LangGraph：复杂多分支、循环、多智能体、需要人工介入、长会话持久化的高级场景，底层图状态编排。

七、常见配套工具

1. 向量数据库：Chroma(本地轻量)、FAISS、Milvus、Pinecone；
2. 本地大模型：Ollama（一键跑Llama/Qwen）；
3. 文档加载：PyPDF2、UnstructuredLoader；
4. 可观测：LangSmith（日志、调试、prompt优化）；
5. 部署：LangServe（把Chain/Graph快速转API接口）。